python sklearn 逻辑回归 accuracy

在使用Python的sklearn库进行逻辑回归时，可以通过accuracy_score函数计算模型的准确率。

下面是一个简单的例子：

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
import numpy as np

# 创建一个随机的数据集
X = np.random.rand(100, 10)
y = np.random.randint(0, 2, 100)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建逻辑回归模型，并拟合训练集数据
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 预测测试集数据
y_pred = lr.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

在这个例子中，我们首先创建了一个随机的数据集，然后将其分为训练集和测试集。接着，我们创建了一个逻辑回归模型，并使用训练集数据进行拟合。最后，我们使用测试集数据进行预测，并计算准确率。

需要注意的是，这个例子中使用的是随机数据集，因此准确率可能并不高。在实际应用中，应该选择适当的数据集，并进行特征工程和模型调参等操作，以提高模型的准确率。